兼容光学雷达影像及地形辅助数据的扎龙湿地遥感分类

结合Landsat TM影像、Envisat ASAR的C波段雷达影像和地形辅助数据,采用决策树方法,包括分类回归树(C1assification and Regression Tree,CART)和随机森林(Random Forest,RF)算法,对扎龙湿地进行遥感分类。用实测GPS样本点对分类结果进行精度验证,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)对比。结果表明,地形辅助数据和雷达后向散射系数对湿地分类精度的提高起重要作用。基于RF算法分类结果的总精度和Kappa系数分别为92.6%和0.901,沼泽湿地的分类精度达到96.3%,较CART算法和MLC监督分类方法有明显提高。该研究提供了一种快速、高效的内陆淡水沼泽湿地遥感分类技术。     

基于高分辨率遥感影像的城市典型乔木树种分类研究

为探索高分辨率遥感影像对城市复杂环境优势乔木树种分类的有效性,采用面向对象分类方法,基于WorldView-2影像对首都师范大学及周边地区(CNU)、北京师范大学及周边地区(BNU)两个研究区进行优势乔木树种(泡桐、法国梧桐、杨树、国槐、银杏)分类。首先对WorldView-2影像进行分割,获得树冠区域及其49个属性特征,包括31个光谱属性和18个纹理属性;随后利用随机森林RF与支持向量机SVM两种分类算法对树冠区域进行分类。CNU研究区SVM与RF总体分类精度分别为86.5%、75.8%,Kappa系数为0.801、0.648;BNU研究区SVM与RF总体分类精度分别为66.9%、65.3%,Kappa系数为0.541、0.520。实验表明WorldView-2影像能有效实现城市非阴影区域优势乔木树种分类,但异质性较高、树种分布分散的区域分类精度低于异质性较小、树种分布密集的区域;WorldView-2影像的4个新增波段尤其是红边波段的派生属性在分类过程中所占权重值较高。     

结合GEE平台与机器学习算法的荒漠信息提取

快速、准确获取不同荒漠类型的分布信息,对于环境保护和生态修复有着重要意义。然而,受光谱与分辨率等因素影响,目前关于不同荒漠类型信息提取研究存在明显不足。选择青海省都兰县作为典型区,基于谷歌地球引擎(Google Earth Engine,GEE)并结合多源数据对研究区荒漠进行了分类,对比评估了不同分类特征组合应用于3种机器学习方法(RF、SVM、CART)的分类性能。结果表明：(1) RF的性能要优于CART和SVM,使用RF分类器并以光谱特征、雷达特征、地形特征、纹理特征为分类依据的总体分类精度最高,整体准确度为95.68%,Kappa系数为0.95,FM得分为94.28%,获得的都兰县荒漠面积为29 039 km²。(2)在特征重要性得分评估中,海拔与VH对荒漠分类的贡献比较突出,其他特征则差异不大。(3)在使用光谱数据的基础上,雷达特征对识别砾质荒漠与壤土荒漠的贡献突出,而地形特征则更适用于识别其他类型的荒漠。     

基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估

为及时准确地获取干旱区农作物种植信息,研究借助PIE-Engine Studio平台,以新疆焉耆盆地为研究区,基于2022年Sentinel-2影像和1948个野外定位采样数据提取农作物生育期内14种植被指数,使用See5.0决策树、随机森林（Random forest,RF）和多元回归（Multiple regression,MR）模型优选特征参数,结合支持向量机（Support vector machine,SVM）算法构建5种分类模型和5种样方分割方案进行农作物种植信息提取,通过目视解译和混淆矩阵对比分析分类结果,确定最佳分类方案。结果表明：（1）所有分类模型的总体精度（OA）和Kappa系数均在92.20%和0.9037以上,说明在PIE平台中使用SVM算法提取农作物信息是可行的。（2）SVM-有红边的OA和Kappa系数均值为93.77%和0.9236,比SVM-无红边方法提高了0.96%和0.0120。（3）相比于SVM-有红边方法,植被指数的引入提高了SVM-RF、SVM-MR和SVM-See5.0的OA和Kappa系数。（4）5种分类模型的OA和Kappa系数均值的大小...     

基于遥感和机器学习的内陆水体水深反演技术

文章主要根据机器学习算法（随机森林算法和极端梯度提升算法）和遥感水深反演的原理,利用Sentinel_2多光谱卫星数据和无人船实测水深数据,对内陆水体——梅州水库建立了随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）水深反演模型,并对反演结果进行对比分析。结果表明：1）RF的训练精度为97%,测试精度为0.80;XGBoost模型的训练精度为97%,测试精度为0.79;SVM的训练精度为90%,测试精度为0.78。说明了在水深预测方面RF模型和XGBoost模型比SVM模型表现更好,对各个区段的水深值较为敏感。2）根据运行时间考察各个模型的效率,其中RF模型从读取数据至输出结果耗时3.92 s;XGBoost模型4.26 s;SVM模型6.66 s。因此,在反演精度和效率上RF模型优于XGBoost模型优于SVM模型,且RF模型的预测结果图细节更加丰富,轮廓更加分明;XGBoost模型次之,但总体效果也较好;SVM模型表现最差。由此可知,机器学习水深反演模型获得的水深结果精度明显提高,解决了传统水深反演模型精度不高的问题。     

基于NDVI时间序列影像的天山北坡经济带农业种植结构提取

水资源匮乏是干旱区实现可持续发展的最大障碍。干旱区农业灌溉耗费大量的水资源,不同农作物在生长期所需的灌溉水量存在较大的差异,因此快速准确地了解干旱区的农业种植结构可以为节水型农业种植结构优化提供重要依据。以天山北坡经济带为研究区,以谷歌地球引擎（Google Earth Engine,GEE）云平台为支撑,以Sentinel 2以及Landsat 7-8的数据为遥感数据源,采取以下步骤进行研究区的农业种植结构提取：首先,为了简化农业种植结构提取的过程,利用一年最大NDVI值以及坡度信息构建耕地掩膜图层;然后,根据研究区内主要农作物的物候历,获取不同时间段内的最大NDVI值的时间序列数据以及农作物在一年中出现NDVI最大值的日期,并在此基础上构建一个包含10波段的特征波段影像;最后,结合野外实地考察获得的有效样本点以及经耕地掩膜图层掩膜后的10波段特征波段影像,利用随机森林分类器进行研究区的农业种植结构提取。分类结果表明：2018年研究区内棉花、玉米、小麦的总体分类精度为92.19%,Kappa系数为0.883。为了进一步将分类结果与统计数据进行对比,我们将训练得到的分类器应用于2017年的遥感影像,提取了研究区内2017年的农业种植结构信息,其分类结果表明2017年研究区内棉花、玉米、小麦的种植面积分别为5 270 km²、2 000 km²、2 340 km²,其相对精度分别为86.53%、77.54%、86.19%。     

基于低空无人机的草原灌丛遥感辨识方法

以位于中国科学院内蒙古草原生态研究定位站灌丛化样地实验平台为研究区,基于低空无人机遥感影像,结合实地调查,开展草原灌丛遥感辨识方法研究。通过对灌丛、草地和裸地归一化植被指数（NDVI）的方差统计分析,确定了裸地与植被的分割阈值为-0.08,并使用该阈值提取植被覆盖区,然后分别利用面向对象的决策树（DT）、贝叶斯（Bayes）、K最邻近（KNN）、支持向量机（SVM）机器学习分类器进行灌丛辨识。研究表明：借助Estimation of Scale Parameter（ESP）最优分割尺度评价工具可以快速确定分割参数,获取灌丛、草地影像对象;利用特征空间优化工具选取了18个的对象特征,可以有效避免盲目选择而导致的计算量增大;通过对不同分类器分类结果的对比和样本数量敏感性实验得出：Bayes分类器精度稳定、无需设置参数,灌丛分类精度最高,总体精度和Kappa系数分别达到92%和0.83,结果与影像地物嵌合最好,能够精确识别单株灌丛;根据Bayes分类器分类结果统计得研究区灌丛盖度为14.74%,平均冠幅为0.6 m²,与样方调查结果基本一致。由于4种分类器的算法特征以及对训练样本数量的敏感性各不相同,因此选择合适的分类器还需根据具体影像的地物特征、空间分辨率和研究区范围来确定。     

新疆艾比湖地区不同土地利用类型的土壤盐渍化敏感性评价

本文选择生态环境脆弱的艾比湖地区为研究对象,以2007年Landsat TM 影像资料为基础,采用SVM分类方法,进行土地利用类型分类和土壤盐渍化分类.在ArcGIS下计算不同土地利用类型的土壤盐渍化敏感性指数,通过盐渍化敏感性指数与各土地利用类型面积的比重建立了区域土壤盐渍化敏感度模型,利用克里格插值法得出区域土壤盐...     

基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例

土地利用分类精度直接决定土地利用/土地覆被变化相关研究的准确性,而基于决策树的遥感影像分类是近年来提高土地利用分类精度的重要方法。QUEST决策树在影像解译和空间表达方面,运算速度和分类精度均优于普通CART等决策树方法。本文以云南丽江地区为例,应用QUEST决策树分类方法,对该地区的Landsat TM 5影像图进行分类,同时将地形因素、植被指数作为地学辅助数据的因子添加到分类波段中,进行不同特征融合,来处理目标类别间的非线性关系,该方法在处理图像理解知识方面具有更大的灵活性;同时与普通决策树分类法的遥感影像分类的结果相比较,Kappa系数值从原来的0.789提高到0.849.在地形复杂的山地地区,针对TM影像数据,选择基于QUEST决策树分类能够有效提高土地利用分类结果精度。     

基于Sentinel遥感数据的红树林信息提取研究——以广西茅尾海为例

基于2018年的Sentinel-1雷达影像和Sentinel-2光学影像数据,采用面向对象技术获取影像的光谱、几何、纹理、自定义特征和多极化后向散射系数5个种类的90个特征变量,基于随机森林算法进行特征选择,并构建多种特征组合方案,利用随机森林分类器对保护区内的地物进行识别并提取红树林信息。结果表明:多特征耦合优化模式的分类效果最好,总体精度为89.60%,Kappa系数为0.8756,其中,红树林的制图精度与用户精度分别为96.39%、97.56%;识别出的茅尾海红树林面积为19.2km2,占整个研究区的2.67%。该研究揭示了Sentinel-1和Sentinel-2数据在红树林监测中的应用潜力。     

基于机器学习模型的区域土壤重金属空间预测精度比较研究

为识别区域土壤重金属的空间变异特征并厘清其影响因素,本研究构建了多元线性回归（MLR）、弹性网络回归（ENR）、随机森林（RF）、随机梯度提升（SGB）、堆叠（stacking）集成模型、反向传播神经网络（BP-ANN）、基于模型平均的神经网络集成（avNNet）、线性核支持向量机（SVM-L）和高斯核支持向量机（SVM-R）共九种机器学习模型,利用山东省中部土壤重金属（Cd、Cu、Hg、Pb和Zn）和环境辅助变量数据,开展区域土壤重金属空间预测精度比较研究。结果表明：RF对五种重金属空间预测的决定系数（R²）介于0.263~0.448之间,平均绝对误差（MAE）和均方根误差（RMSE）分别小于8.408和10.636,预测值/实际值（P/O）均接近于1,对五种重金属的预测效果均较为理想,是研究区土壤重金属空间预测的最优模型;SVM-R整体预测性能仅次于RF,各项精度评价指标均相对稳健,可作为备选模型;其余七种模型的预测性能均明显低于RF和SVM-R。RF的空间预测结果显示,研究区五种重金属呈现出相似的空间分布格局,含量均由研究区东北部向西南部递减,包括东北部、北部和南部3个高值区,且高值区与当地工业–交通密集区的分布格局一致,反映出人类活动是研究区土壤重金属空间分异的主要影响因素。本研究可为区域土壤污染调查、评价和管控提供科学参考。     

基于MODIS时间序列的松嫩平原盐渍地提取

松嫩平原是我国内陆盐渍土三大分布区之一,土壤盐渍化是该区最主要的环境问题。以多时相中分辨率成像光谱仪(MODIS)的归一化植被指数(NDVI)时间序列影像为主要数据源,通过Savizky-Golay滤波重构NDVI时序数据,依据研究区7种主要土地覆被类型的时间序列曲线差异性,应用分类回归树(Classification And Regression Tree,CART)方法确定像素归属类别,得到松嫩平原2013年盐渍土的分布数据;并基于不同盐渍化程度土壤的植被物候特征差异性建立CART决策树区分不同程度盐渍土。分类结果为:盐渍地掩膜提取精度达98.13%,Kappa系数为0.83;不同程度盐渍土识别的精度达到86.08%,Kappa系数为0.78。该研究表明多时相MODIS数据在大尺度盐渍土信息识别中具有可行性。     

基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取

利用2015年Landsat 8 OLI遥感影像和DEM作为分类数据源,结合野外调查数据,采用面向对象的分类方法对昆嵛山地区土地覆盖信息进行提取,并对分类结果进行精度评价与比较分析。研究表明：面向对象分类方法提取的各地类连续且边界清晰,分类效果与实际情况基本吻合。昆嵛山地区占主导地位的土地覆盖类型是针叶林,面积为1 546.81 km²。研究区土地覆盖分类的总体精度和Kappa系数分别为91.5%和0.88,其中针叶林、草地、水体和建设用地的生产者精度均达到87%以上。相对于监督分类方法,本研究提出的土地覆盖信息提取方法的总体分类精度和Kappa系数分别提高14.7%和0.17。基于面向对象的中分辨率遥感影像,能够获取较高精度的土地覆盖信息,为大范围土地覆盖分类研究提供方法参考。     

基于Google Earth Engine的1986—2018年广东红树林年际变化遥感分析

以广东沿海红树林为研究对象,结合谷歌地球引擎（GEE）云计算平台,以1986—2018年32期3 359景Landsat系列卫星遥感影像为数据源,采用随机森林（RF）方法提取1986—2018年广东省红树林面积,比较全省沿海城市红树林年际时空变化特征,并从景观斑块角度分析广东省红树林斑块演变特征。结果表明：1）1986—2018年红树林遥感分类总体精度均高于90%,广东省沿岸红树林面积总体呈先减少后增加的趋势,且其在2014年后变化幅度逐渐减小。2）从各沿海城市来看,红树林共分布在14个市内,其中湛江和阳江是红树林面积分布最大的2个城市;各市红树林面积变化可分为先减后增、波动增加和无明显变化3类。3）1986—2018年广东省红树林斑块数量总体呈减少趋势,但斑块平均面积（MPS）呈上升趋势,红树林破碎化程度减轻。获取年际红树林面积分布信息和空间结构变化趋势,可为红树林合理开发与保护提供数据和参考,服务于红树林生态恢复和精细化管理。     

基于3D LiDar数据的城区植被识别研究

提出一种基于支持向量机(SVM)的三维LiDar数据分类方法:利用kd-trees存储无序的点云数据,在局部邻域中利用点云数据间的几何关系估算植被表面特征值;将密度值和高程差值作为SVM输入特征变量,利用基于径向基函数的SVM方法实现植被点云数据的分类.实验结果为:OA分类精度达到94.31%,Kappa系数为89.53%.该方法操作性较强,在分类精度及计算效率方面比传统方法具有优势.     

基于支持向量机和Getis因子的高分辨率遥感图像分类

采用支持向量机对具有RGB 3个波段、分辨率为0.32 m的航空摄影图像进行实验,首次根据表示空间聚集程度的局部Getis因子完成分类。结果表明:1)当应用基于线性、多项式、径向基和Sigmoid 4种常用核函数的SVM进行分类时,基于径向基的SVM分类精度最高,总体精度超过91%。2)从原始图像计算出局部Getis因子,该指标可用于图像分类,且分类精度与局部Getis因子的步长有关;在步长小于变异函数变程的条件下,应用径向基SVM的总体分类精度达95.66%,高于直接使用原始图像RGB波段光谱信息的分类精度,因此局部Getis因子在高空间分辨率遥感图像分类中具有应用和研究价值。     

基于特征优选的随机森林模型的黄河口滨海湿地信息提取研究

以2016年8月26日Landsat-8 OLI影像为数据源,针对特征变量数目可影响分类精度和运算速率问题,采用一种基于特征优选的随机森林模型,提取了黄河口滨海湿地高精度信息。首先,采用Relief(relevant features)-F算法,对全部特征变量进行权重排序,剔除不相关变量;然后,分别采用基于特征优选的随机森林模型、最大似然方法和神经网络分类算法,提取黄河口滨海湿地信息,比较基于特征优选的随机森林模型与其它两种分类方法在滨海湿地信息提取应用中的精度和效率。研究结果表明,基于特征优选的随机森林模型滨海湿地分类效果最佳,总精度为86.39%,Kappa系数为0.81,明显高于最大似然和神经网络分类方法;其中,河流湿地分类精度最高,为95.83%,盐田分类精度最低,主要原因在于盐田与养殖池、水库/坑塘的光谱和几何特征极为相似,易于混淆;但与最大似然分类和神经网络分类方法相比,该方法提取效果明显改善,分类精度分别提高了16.84%和4.44%。本研究结果证明,采用Relief-F算法特征优选的随机森林模型提取滨海湿地信息的方法,具有分类精度高、运算速率快的优势,适用于滨海地区不同类型湿地高精度信息提取。     

基于随机森林与特征选择的藏东南土地覆被分类方法及精度评价

由于云污染、实地验证点的匮乏,以及地形地貌的复杂、破碎化,多云山区土地覆被的准确分类较难实现。以藏东南这一典型的多云山区及生态过渡区为研究区,基于Google Earth Engine(GEE)平台和野外实测数据,结合多光谱数据、雷达数据、高程数据、辅助数据,提取光谱特征、纹理特征、地形特征等信息,利用递归特征消除法对特征进行优化,并采用随机森林算法构建分类模型,以期有效利用多源遥感数据提高土地覆被分类精度。结果表明：(1)并非特征越多分类精度越高,特征选择后数量由58个减至38个,分类精度（总体精度93.96%,Kappa系数0.92）较未优化前（总体精度93.11%,Kappa系数0.92）略有提升。(2)地形特征及雷达特征对藏东南土地覆被分类具有重要作用,地形特征对多数土地覆被类型的分类精度具有影响,而雷达数据对裸地、建设用地、灌丛影响较大,分类过程中如不考虑地形及雷达特征,总体精度分别降至88.98%,92.48%。纹理特征以及时序特征仅对提高具有明显纹理以及时序变化的土地覆被类型的精度有帮助。结合随机森林和特征优化算法,能够在保证土地覆被分类精度的同时,高效整合多源数据信息,...     

基于混合像元分解和知识规则的人工刺槐林健康分类

提出一种基于精度较高的Landsat TM数据检测刺槐林枯梢状况的方法,整个过程分为:1)利用监督分类提取出林地分布范围,制作刺槐林地掩膜;2)对刺槐林地利用线性光谱混合模型进行混合像元分解,得到健康刺槐、非光合作用绿色植被(NPV)、土壤的丰度图,定义刺槐林的健康分类等级:健康或轻度枯梢、中度枯梢、重度枯梢或死亡;3)利用决策树分类器对丰度图像、归一化植被指数(NDVI)以及经缨帽变换获取的亮度和绿度成分定义一组规则,进行刺槐林生长健康状况分类,分类结果与实地样方数据具有较好的一致性,利用林冠分级向导进行精度分析,精度达82.2%,Kappa系数为0.752。     

基于ChinaCover数据集的绿洲结构数据制图——以河西内陆河流域为例

生产兼具绿洲独特性和结构特点的绿洲专题数据是目前绿洲学研究亟待解决的关键基础性问题。以河西内陆河流域为研究区,在构建绿洲生态系统的二级分类体系基础上,结合ChinaCover数据和Landsat NDVI影像,利用面向对象随机森林分类和叠加分析方法,完成1975—2020年7期河西内陆河流域绿洲土地结构数据的制图。结果表明：（1）基于ChinaCover数据集的绿洲结构数据制图方法可以快速准确地生产出绿洲专题数据;（2）绿洲生态系统一级类型总体精度为96.17%,二级类型精度为82.64%～92.99%,制图精度明显高于现有土地覆被产品;（3）2020年河西内陆河流域绿洲占研究区比例为8.97%,一级类型以人工绿洲为主,二级类型以耕地和草地为主;（4）近45年河西内陆河流域人工绿洲呈持续扩张趋势,荒漠-绿洲过渡带呈萎缩趋势,自然绿洲呈先萎缩后扩张趋势;人工绿洲的扩张主要是耕地和建设用地的增加,而过渡带和自然绿洲的萎缩主要是草地减少。